Powered by TensorFlow: Airbnb uses machine learning to help categorize its listing photos

[음악 재생] ANDREW HOH : 에어 비앤비는 온라인 시장입니다 우리는 500 만개가 넘는 다른 집들이 있습니다

수천만에 달하는 81,000 개의 도시에서 아마도 가장 큰 사진을 만들 수 있습니다 오늘날 세계에서 가정의 이미지 모음 손님이 집을 선택하기로 결정하면, 그들의 결정에서 가장 큰 영향 중 하나 다양한 이미지 세트입니다 그러나 많은 시간, 주인이 걸릴 것입니다 한 방의 많은 사진들 다른 방의 사진을 찍는 것을 잊어 버리십시오 SHIJING YAO : 자막 추가 옵션도 있습니다

하지만 많은 경우에 완전히 벗어났습니다 앤드류 호 : 아니 알프레도 루크 : 우리는 도전에 직면했습니다 이 사진들에 실제로 무엇이 있는지 확인하는 것 사이트에 제대로 표시하십시오 그것은 기계 학습이 탁월한 영역입니다

진정한 도전은 규모 중 하나였습니다 우리는 통과해야 할 이미지가 50 억 개가 넘었습니다 이 모든 것을 실제로 통과하려면 몇 달이 걸릴 것입니다 ANDORW HOH : TensorFlow를 사용하여 우리는 프로세스를 가속화하고 전달할 수있다 합리적인 모델

빅 헤드는 에어 비앤비의 기계 학습 플랫폼입니다 우리는 그것을 다른 ML에 매우 불가 지하게 만드는 아이디어를 가지고있었습니다 프레임 워크를 사용하여 TensorFlow가 모델을 교육 할 수있게되었습니다 그리고 Bighead는 모델 수명주기, 기능 관리 및 TensorFlow 검색 모델 결과를 제공하는 데 도움이됩니다 SHIJING YAO : 당신이 생각하기에 앞서 어떤 도구를 사용할지, 당신이 먼저 생각하고있다

사용할 모델에 대해서 그리고 우리는 이것에 대한 연구를했습니다 ResNet 50은 최첨단 기술 중 하나였습니다 모델을 수행합니다 우리는 이것을 기본 아키텍처로 사용했습니다

ALFREDO LUQUE : TensorFlow의 크로스 API를 사용했습니다 분산 GPU 계산 및 서비스 중 일부를 제공합니다 이것은 궁극적으로 파이프 라인으로 이끌었다 수억 명을 돌파 할 수있는 이미지를 매우 빠르게 ANDREW HOH : 그래서 최종 목표는 기본적으로 이러한 이미지 분류를 사용하여 사진의 첫 번째, 초기 세트 그들이 보는 차고의 그림 만이 아니다

욕실 하지만 그것은 거실의 거실 일 수도 있고, 그리고 침실과 수영장 미래의 응용 프로그램은 다른 객체를 감지 할 수 있습니다 가정에서 사용자가 웹 사이트에서 검색하기로 결정한 경우 특정 어메니티 유형의 경우, 우리는 실제로 그것을 버블 링 할 수 있습니다

표면에 SHIJING YAO : 에어 비앤비가 오늘 어떻게 운영되는지 알고 싶다면, 이유는 기계 때문이었습니다 기계 학습이 거의 모든 곳에서 이루어지기 때문에 학습 회사에서 검색 순위, 가격, 예측 예약 알프레도 루크 : 우리는 수백 가지 모델을 보냈습니다 그래서 계속 성장할 것으로 기대됩니다

ANDREW HOH : 그리고 많은 새로운 프레임 워크가 나오고 있습니다 우리는 더 나은 경험을 할 수있다 우리 손님들과 더 나은 사업 결정을 위해서 [음악 재생]